論文の概要: UPL-SFDA: Uncertainty-aware Pseudo Label Guided Source-Free Domain Adaptation for Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2309.10244v1
• Date: Tue, 19 Sep 2023 01:52:37 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-20 16:45:57.046486
• Title: UPL-SFDA: Uncertainty-aware Pseudo Label Guided Source-Free Domain Adaptation for Medical Image Segmentation
• Title（参考訳）: upl-sfda: 医用画像セグメンテーションのための不確実性認識擬似ラベルガイドドソースフリードメイン適応
• Authors: Jianghao Wu, Guotai Wang, Ran Gu, Tao Lu, Yinan Chen, Wentao Zhu, Tom Vercauteren, S\'ebastien Ourselin, Shaoting Zhang
• Abstract要約: 医用画像セグメンテーションのための新しいuncertainty-aware Pseudo Label guided (UPL)法を提案する。 具体的には,ターゲット領域における予測の多様性を高めるために,ターゲット領域成長(TDG)を提案する。 また,ある前方パスで得られた疑似ラベルを用いて,次の前方パスで予測を監督するTwice Forward Pass Supervision(TFS)戦略を提案する。
• 参考スコア（独自算出の注目度）: 21.583847757015157
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Domain Adaptation (DA) is important for deep learning-based medical image segmentation models to deal with testing images from a new target domain. As the source-domain data are usually unavailable when a trained model is deployed at a new center, Source-Free Domain Adaptation (SFDA) is appealing for data and annotation-efficient adaptation to the target domain. However, existing SFDA methods have a limited performance due to lack of sufficient supervision with source-domain images unavailable and target-domain images unlabeled. We propose a novel Uncertainty-aware Pseudo Label guided (UPL) SFDA method for medical image segmentation. Specifically, we propose Target Domain Growing (TDG) to enhance the diversity of predictions in the target domain by duplicating the pre-trained model's prediction head multiple times with perturbations. The different predictions in these duplicated heads are used to obtain pseudo labels for unlabeled target-domain images and their uncertainty to identify reliable pseudo labels. We also propose a Twice Forward pass Supervision (TFS) strategy that uses reliable pseudo labels obtained in one forward pass to supervise predictions in the next forward pass. The adaptation is further regularized by a mean prediction-based entropy minimization term that encourages confident and consistent results in different prediction heads. UPL-SFDA was validated with a multi-site heart MRI segmentation dataset, a cross-modality fetal brain segmentation dataset, and a 3D fetal tissue segmentation dataset. It improved the average Dice by 5.54, 5.01 and 6.89 percentage points for the three tasks compared with the baseline, respectively, and outperformed several state-of-the-art SFDA methods.
• Abstract（参考訳）: ドメイン適応(da)は、新しいターゲットドメインからのイメージをテストするために、ディープラーニングベースの医療画像セグメンテーションモデルにとって重要である。 トレーニングされたモデルを新しいセンタにデプロイする場合、ソースドメインのデータは通常利用できないため、Source-Free Domain Adaptation (SFDA)は、ターゲットドメインへのデータとアノテーション非効率な適応をアピールする。 しかし、既存のsfdaメソッドは、ソースドメインイメージが使用できない、ターゲットドメインイメージがラベルされていない、十分な監督が欠如しているため、性能が制限されている。 医用画像セグメンテーションのための新しいuncertainty-aware Pseudo Label guided (UPL) SFDA法を提案する。 具体的には、トレーニング済みモデルの予測ヘッドを摂動で複数回複製することにより、ターゲット領域における予測の多様性を高めるターゲットドメイン成長(TDG)を提案する。 これらの重複ヘッドの異なる予測は、ラベルなしのターゲットドメイン画像の擬似ラベルと、信頼できる擬似ラベルを識別する不確実性を得るために使用される。 また,ある前方パスで得られた疑似ラベルを用いて,次の前方パスで予測を監督するTwice Forward Pass Supervision(TFS)戦略を提案する。 適応は平均予測に基づくエントロピー最小化項によってさらに規則化され、異なる予測ヘッドにおける自信と一貫性のある結果を促進する。 UPL-SFDAは、多部位の心臓MRIセグメンテーションデータセット、交叉性胎児脳セグメンテーションデータセット、および3D胎児組織セグメンテーションデータセットを用いて検証された。 3つのタスクの平均diceは、それぞれベースラインと比較して5.54, 5.01, 6.89ポイント向上し、いくつかの最先端sfda法を上回った。

関連論文リスト

• An Uncertainty-guided Tiered Self-training Framework for Active Source-free Domain Adaptation in Prostate Segmentation [10.061310311839856]
  Source-free Domain Adaptation (SFDA)は、プライバシとセキュリティ上の問題に対処するために、深いセグメンテーションモデルを適用するための有望なテクニックである。 安定したドメイン適応を実現するための新しい不確実性誘導型自己学習(UGTST)フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-07-03T08:13:16Z)
• FPL+: Filtered Pseudo Label-based Unsupervised Cross-Modality Adaptation for 3D Medical Image Segmentation [14.925162565630185]
  医用画像分割のための拡張フィルタ擬似ラベル (FPL+) を用いたUnsupervised Domain Adaptation (UDA) 手法を提案する。 まず、ソースドメイン内のラベル付き画像を、擬似ソースドメインセットと擬似ターゲットドメインセットからなる二重ドメイントレーニングセットに変換するために、クロスドメインデータ拡張を使用する。 次に、ラベル付きソースドメインイメージとターゲットドメインイメージを擬似ラベルと組み合わせて最終セグメンタを訓練し、不確実性推定に基づく画像レベルの重み付けとデュアルドメインのコンセンサスに基づく画素レベルの重み付けを提案し、ノイズのある擬似の悪影響を軽減する。
  論文  参考訳（メタデータ） (2024-04-07T14:21:37Z)
• Source-Free Domain Adaptation for Medical Image Segmentation via Prototype-Anchored Feature Alignment and Contrastive Learning [57.43322536718131]
  医用画像セグメンテーションのための2段階のソースフリードメイン適応(SFDA)フレームワークを提案する。 プロトタイプアンコールされた特徴アライメントの段階では,まず,事前学習した画素ワイド分類器の重みを原プロトタイプとして利用する。 そこで,本研究では,目標となる特徴とクラスプロトタイプとの整合性を期待するコストを最小化し,双方向輸送を導入する。
  論文  参考訳（メタデータ） (2023-07-19T06:07:12Z)
• Cyclically Disentangled Feature Translation for Face Anti-spoofing [61.70377630461084]
  循環不整合特徴変換ネットワーク(CDFTN)と呼ばれる新しい領域適応手法を提案する。 CDFTNは、(1)ソースドメイン不変の生長特徴と2)ドメイン固有のコンテンツ特徴とを持つ擬似ラベル付きサンプルを生成する。 ソースドメインラベルの監督の下で、合成擬似ラベル付き画像に基づいてロバスト分類器を訓練する。
  論文  参考訳（メタデータ） (2022-12-07T14:12:34Z)
• ProSFDA: Prompt Learning based Source-free Domain Adaptation for Medical Image Segmentation [21.079667938055668]
  医用画像分割のためのtextbfProSFDA (textbfProSFDA) 法を提案する。 以上の結果から,提案したProSFDA法は,他のSFDA法よりも優れており,UDA法と同等であることが明らかとなった。
  論文  参考訳（メタデータ） (2022-11-21T14:57:04Z)
• Source-Free Domain Adaptation via Distribution Estimation [106.48277721860036]
  ドメイン適応は、ラベル付きソースドメインから学んだ知識を、データ分散が異なるラベル付きターゲットドメインに転送することを目的としています。 近年,ソースフリードメイン適応 (Source-Free Domain Adaptation, SFDA) が注目されている。 本研究では,SFDA-DEと呼ばれる新しいフレームワークを提案し,ソース分布推定によるSFDAタスクに対処する。
  論文  参考訳（メタデータ） (2022-04-24T12:22:19Z)
• Target and Task specific Source-Free Domain Adaptive Image Segmentation [73.78898054277538]
  ソースフリー領域適応画像分割のための2段階のアプローチを提案する。 我々は,高エントロピー領域を抑えつつ,ターゲット固有の擬似ラベルを生成することに注力する。 第2段階では、タスク固有の表現にネットワークを適用することに重点を置いている。
  論文  参考訳（メタデータ） (2022-03-29T17:50:22Z)
• Few-shot Unsupervised Domain Adaptation for Multi-modal Cardiac Image Segmentation [16.94252910722673]
  非教師なしドメイン適応(UDA)手法は、ラベルなしターゲットドメインとラベル付きソースドメインデータを使用することで、ソースとターゲットドメインのギャップを減らすことを目的としている。 本稿では, 対象患者1名のみを対象とする, 現実的なシナリオにおいて, UDA の可能性について検討する。 我々はまず、まずソース画像からターゲットスタイルの画像を生成し、ランダム適応インスタンス正規化(RAIN)を持つ単一ターゲット患者から多様なターゲットスタイルを探索する。 そして、生成したターゲット画像と教師付きでセグメンテーションネットワークを訓練する。
  論文  参考訳（メタデータ） (2022-01-28T19:28:48Z)
• Open-Set Hypothesis Transfer with Semantic Consistency [99.83813484934177]
  本稿では,対象データの変換における意味的一貫性に着目した手法を提案する。 本モデルはまず,自信ある予測を発見し,擬似ラベルを用いた分類を行う。 その結果、ラベルなしデータは、ソースクラスまたは未知のクラスに一致した識別クラスに分類される。
  論文  参考訳（メタデータ） (2020-10-01T10:44:31Z)
• Learning Target Domain Specific Classifier for Partial Domain Adaptation [85.71584004185031]
  非教師付きドメイン適応(UDA)は、ラベル付きソースドメインからラベル付きターゲットドメインに知識を転送する際の分散不一致を低減することを目的としている。 本稿では,ターゲットラベル空間をソースラベル空間に仮定する,より現実的なUDAシナリオに焦点を当てる。
  論文  参考訳（メタデータ） (2020-08-25T02:28:24Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。